สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

Tutorial Python Machine Learning

LM17PYTHON MACHINE LEARNING LM18PYTHON MACHINE LEARNING MEAN MEDIAN MODE LM19PYTHON MACHINE LEARNING STANDARD DEVIATION LM20PYTHON MACHINE LEARNING PERCENTILES LM21PYTHON MACHINE LEARNING DATA DISTRIBUTION LM22PYTHON MACHINE LEARNING NORMAL DATA DISTRIBUTION LM23PYTHON MACHINE LEARNING SCATTER PLOT LM24PYTHON MACHINE LEARNING LINEAR REGRESSION LM25PYTHON MACHINE LEARNING MULTIPLE REGRESSION LM25PYTHON MACHINE LEARNING POLYNOMIAL REGRESSION LM26PYTHON MACHINE LEARNING SCALE LM27PYTHON MACHINE LEARNING TRAIN TEST LM28PYTHON MACHINE LEARNING DECISION TREE

Machine Learning - Scale

เรียนเขียนโปรแกรมง่ายๆกับ Expert Programming Tutor ในบท Machine Learning - Scale 
เนื้อหาในบทนี้เราจะเรียนรู้เกี่ยวกับ Scale เมื่อข้อมูลของนักเรียนมีค่าแตกต่างกันและแม้แต่หน่วยการวัดที่แตกต่างกันมันอาจเป็นการยากที่จะเปรียบเทียบ กิโลกรัมเปรียบเทียบกับเมตรคืออะไร หรือระดับความสูงเมื่อเทียบกับเวลา? 
คำตอบของปัญหานี้คือการปรับสเกล เราสามารถปรับขนาดข้อมูลเป็นค่าใหม่ที่ง่ายต่อการเปรียบเทียบ ลองดูตารางด้านล่างมันเป็นชุดข้อมูลเดียวกับที่เราใช้ในบทการถดถอยหลายครั้ง แต่คราวนี้คอลัมน์ปริมาณมีค่าเป็นลิตรแทนที่จะเป็น ccm (1.0 แทน 1,000)

Toyota

Aygo

1.0

790

99

Mitsubishi

Space Star

1.2

1160

95

Skoda

Citigo

1.0

929

95

Fiat

500

0.9

865

90

Mini

Cooper

1.5

1140

105

VW

Up!

1.0

929

105

Skoda

Fabia

1.4

1109

90

Mercedes

A-Class

1.5

1365

92

Ford

Fiesta

1.5

1112

98

Audi

A1

1.6

1150

99

Hyundai

I20

1.1

980

99

Suzuki

Swift

1.3

990

101

Ford

Fiesta

1.0

1112

99

Honda

Civic

1.6

1252

94

Hundai

I30

1.6

1326

97

Opel

Astra

1.6

1330

97

BMW

1

1.6

1365

99

Mazda

3

2.2

1280

104

Skoda

Rapid

1.6

1119

104

Ford

Focus

2.0

1328

105

Ford

Mondeo

1.6

1584

94

Opel

Insignia

2.0

1428

99

Mercedes

C-Class

2.1

1365

99

Skoda

Octavia

1.6

1415

99

Volvo

S60

2.0

1415

99

Mercedes

CLA

1.5

1465

102

Audi

A4

2.0

1490

104

Audi

A6

2.0

1725

114

Volvo

V70

1.6

1523

109

BMW

5

2.0

1705

114

Mercedes

E-Class

2.1

1605

115

Volvo

XC70

2.0

1746

117

Ford

B-Max

1.6

1235

104

BMW

2

1.6

1390

108

Opel

Zafira

1.6

1405

109

Mercedes

SLK

2.5

1395

120

เป็นเรื่องยากที่จะเปรียบเทียบปริมาตร 1.0 กับน้ำหนัก 790 แต่ถ้าเราปรับขนาดทั้งสองเป็นค่าที่เทียบเคียงได้เราจะเห็นได้ว่าค่าหนึ่งมีค่าเท่ากันเมื่อเปรียบเทียบกับค่าอื่น ๆ มีวิธีการต่าง ๆ สำหรับการปรับขนาดข้อมูลในบทช่วยสอนนี้เราจะใช้วิธีการที่เรียกว่า วิธีการมาตรฐานใช้สูตรนี้

z = (x - u) / s

โดยที่ z คือค่าใหม่ x คือค่าดั้งเดิม u คือค่าเฉลี่ยและ s คือค่าเบี่ยงเบนมาตรฐานหากนักเรียนใช้คอลัมน์น้ำหนักจากชุดข้อมูลด้านบนค่าแรกคือ 790 และค่าที่ปรับจะเป็น(790 - 1292.23) / 238.74 = -2.1
หากนักเรียนนำคอลัมน์ปริมาณจากชุดข้อมูลด้านบนค่าแรกคือ 1.0 และค่าที่ปรับจะเป็น (1.0 - 1.61) / 0.38 = -1.59
ตอนนี้นักเรียนสามารถเปรียบเทียบ -2.1 กับ -1.59 แทนที่จะเปรียบเทียบ 790 กับ 1.0 นักเรียนไม่ต้องทำสิ่งนี้ด้วยตนเองโมดูล Python sklearn มีวิธีที่เรียกว่า StandardScaler() ซึ่งจะส่งคืนวัตถุ Scaler ด้วยวิธีการเปลี่ยนชุดข้อมูล
ตัวอย่าง
ปรับขนาดค่าทั้งหมดในคอลัมน์น้ำหนักและปริมาณ

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
scaledX = scale.fit_transform(X)
print(scaledX)

ผลลัพธ์

[[-2.10389253 -1.59336644]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]]

ทำนายค่า CO2
ภารกิจในบทถดถอยหลายครั้งคือการทำนายการปล่อย CO2 จากรถยนต์เมื่อนักเรียนรู้น้ำหนักและปริมาตรของมัน เมื่อปรับขนาดชุดข้อมูลนักเรียนจะต้องใช้มาตราส่วนเมื่อนักเรียนทำนายค่า
ตัวอย่าง
ทำนายการปล่อย CO2 จากรถยนต์ขนาด 1.3 ลิตรที่มีน้ำหนัก 2,300 กิโลกรัม

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
df = pandas.read_csv("cars2.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
scaledX = scale.fit_transform(X)
regr = linear_model.LinearRegression()
regr.fit(scaledX, y)
scaled = scale.transform([[2300, 1.3]])
predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

ผลลัพธ์

[107.2087328]

แปลจากhttps://www.w3schools.com/python/python_ml_scale.asp



ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

Python

L16 PYTHON SIMPLE ARITHMETIC
L40 PYTHON TUTORIAL INTRO
L41 PYTHON GETTING STARTED
L42 PYTHON SYNTAX
L43 PYTHON COMMENTS
L44 PYTHON VARIABLES
L45 PYTHON DATATYPE
L46 PYTHON NUMBERS
L47 PYTHON CASING
L48 PYTHON STRINGS
L49 PYTHON BOOLEANS
L50 PYTHON OPARETORS
L51 PYTHON LISTS
L52 PYTHON TUPELS
L53 PYTHON SETS
L54 PYTHON DICTIONARY
L55 PYTHON IF ELSE
L56 PYTHON WHILE LOOP
L57 PYTHON FOR LOOP
L58 PYTHON FUNCTION
L59 PYTHON LAMBDA
L60 PYTHON ARRAYS
L61 PYTHON CLASSSES OBJECTS
L62 PYTHON INHERITANCE
L63 PYTHON ITERATORS
L63 PYTHON SCOPE
L64 PYTHON MODULES
L65 PYTHON DATETIME
L66 PYTHON JSON
L67 PYTHON REGEX
L68 PYTHON PIP
L69 PYTHON TRY EXCAPE
L70 PYTHON USER INPUT
L71 PYTHON FILE OPEN
L73 PYTHON STRING FORMATTING
L74 PYTHON READ FILE
L75 PYTHON WRILE CREATE FILE
L76 PYTHON DELETE FILE
L90 PYTHON POISSON DISTRIBUTION
L90 PYTHON RANDOM INTRODUCTION
L91 PYTHON CHI SQUARE DISTRIBUTION
L91 PYTHON EXPONENTIAL DISTRIBUTION
L92 PYTHON RAYLEIGH DISTRIBUTION
L93 PYTHON PARETO DISTRIBUTION
L94 PYTHON ZIPF DISTRIBUTION
L96 PYTHON RANDOM PERMUTATIONS
L97 PYTHON SEABORN
L98 PYTHON NORMAL DISTRIBUTION
L99 PYTHON DISTRIBUTION
L99 PYTHON LOGISTIC DISTRIBUTION
L99 PYTHON MULTINOMIAL DISTRIBUTION
L99 PYTHON NUMPY SPLITTING ARRAY
L99 PYTHON NUMPY UFUNCS
L99 PYTHON UNIFORM DISTRIBUTION
LM60PYTHON BUILT IN FUNCTIONS
LM61PYTHON STRING METHODS
LM62PYTHON LIST ARRAY METHODS
LM63PYTHON DICTIONARY METHODS
LM64PYTHON TUPLE METHODS
LM65PYTHON SET METHODS
LM66PYTHON FILE METHODS
LM67PYTHON KEYWORD
LM68PYTHON BUILT IN EXCAPTION
LM69PYTHON RANDOM MODULE
LM70PYTHON MATH MODULE
LM70PYTHON REQUSTS MODULE
LM72PYTHON CMATH MODULE
LM73PYTHON HOWTO REMOVE DUPLICATES FROM A PYTHON LIST
LM74PYTHON HOW TO REVERSE A STRING IN PYTHON
LM75PYTHON HOW TO ADD TWO NUMBERS IN PYTHON
LM95PYTHON RANDOM DATA DISTRIBUTION


แผนผังการเรียนเขียนโปรแกรม

Link อื่นๆ

Allow sites to save and read cookie data.
Cookies are small pieces of data created by sites you visit. They make your online experience easier by saving browsing information. We use cookies to improve your experience on our website. By browsing this website, you agree to our use of cookies.

Copyright (c) 2013 expert-programming-tutor.com. All rights reserved. | 085-350-7540 | 084-88-00-255 | ntprintf@gmail.com

ติดต่อเราได้ที่

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM
แผนที่ ที่ตั้งของอาคารของเรา